BioUNER: A Benchmark Dataset for Clinical Urdu Named Entity Recognition
تقدم هذه الورقة BioUNER، وهو مجموعة بيانات مرجعية معيارية لتعرّف الكيانات المسماة الطبية باللغة الأردية، تم إنشاؤها من 153 ألف رمز من النصوص الطبية مع اتفاق عالٍ بين المقيّمين، وتتحقق من فائدتها من خلال تقييم نماذج مختلفة من تعلم الآلة والتعلم العميق.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم روبوت قراءة وصفة طبية مكتوبة باللغة الأردية. يحتاج الروبوت إلى فهم أن كلمة "السكري" هي مرض، و"الأنسولين" هو دواء، و"ارتفاع ضغط الدم" هو حالة صحية. ولكن المشكلة تكمن في أنه حتى الآن، لم يكن لدى الروبوت أي كتب مدرسية جيدة أو مواد تدريبية باللغة الأردية ليتعلم منها. كان الأمر يشبه محاولة تعليم شخص ما قيادة السيارة دون السماكنه من الجلوس خلف المقود أبداً.
هذه الورقة البحثية، "BioUNER"، تدور حول بناء أول مدرسة قيادة عالية الجودة للنصوص الطبية باللغة الأردية.
إليك قصة كيف فعلوا ذلك، مقسمة إلى أجزاء بسيطة:
1. المشكلة: فجوة لغوية
في عالم الحواسيب والطب، تمتلك اللغة الإنجليزية الآلاف من الكتب المدرسية "المعيارية الذهبية" (مجموعات البيانات) التي تعلم الحواسيب كيفية إيجاد المصطلحات الطبية. واللغات الإسبانية والصينية والألمانية تمتلكها أيضاً. ولكن بالنسبة للغة الأردية، وهي لغة يتحدث بها الملايين، لم يكن هناك شيء تقريباً.
- التشبيه: تخيل أن الإنجليزية لديها مكتبة ضخمة من البطاقات التعليمية الطبية، لكن قسم اللغة الأردية فارغ تماماً. كان الأطباء والباحثون في المناطق الناطقة بالأردية عالقين لأن الحواسيب لم تكن تستطيع فهم ملاحظاتهم الطبية.
2. الحل: بناء مجموعة البيانات "المعيارية الذهبية"
قرر المؤلفون بناء هذه المكتبة من الصفر. وأطلقوا على مجموعة البيانات الجديدة اسم BioUNER.
- جمع الكتب: لم يقوموا بتأليف جمل من خيالهم، بل قاموا بـ "الزحف" (Scraping) عبر الإنترنت لجمع محتوى من العالم الحقيقي من مدونات الصحة باللغة الأردية، والمواقع الإلكترونية للمستشفيات، والصحف اليومية. لقد جمعوا 153,000 كلمة من النصوص الطبية الواقعية.
- تنظيف الفوضى: تماماً مثل تنظيف غرفة فوضوية قبل تنظيمها، قاموا بإزالة الإعلانات، والرموز الغريبة، وأخطاء التنسيق.
- اللمسة البشرية (الترميز/Annotation): هذا هو الجزء الأهم. لم يتركوا الحاسوب يقوم بعملية التصنيف؛ بل استعانوا بـ ثلاثة خبراء بشريين يتحدثون الأردية كلغة أم ولديهم معرفة طبية.
- استخدموا أداة رقمية تسمى Doccano (تخيلها كقلم تحديد عالي التقنية).
- قام هؤلاء الخبراء بمراجعة النص وتحديد كلمات معينة، وتصنيفها كـ "مرض"، أو "دواء"، أو "جين"، أو "مادة كيميائية".
- النتيجة: أنشأوا مجموعة بيانات "معيارية ذهبية" (Gold-Standard). و"المعيار الذهبي" يعني النسخة الأفضل الممكنة، والتي تم التحقق منها بواسطة البشر، والتي يمكن للحواسيب الأخرى استخدامها للتعلم.
3. الاختبار: تعليم الروبوتات
بمجرد حصولهم على "الكتاب المدرسي" (مجموعة البيانات)، احتاجوا لمعرفة ما إذا كانت أنواع مختلفة من "الطلاب" (نماذج الحاسوب) يمكنها التعلم منها. اختبروا أربعة أنواع مختلفة من المتعلمين:
- SVM (الطالب التقليدي): طريقة تقليدية تنظر إلى الكلمات الفردية ولكنها لا تفهم السياق. إنها تشبه حفظ القاموس دون معرفة كيفية تكوين الجمل.
- CRF & LSTM (متعلمو السياق): هؤلاء أكثر ذكاءً؛ فهم ينظرون إلى الكلمات التي تسبق وتلي الكلمة المستهدفة لفهم المعنى.
- mBERT & XLM-RoBERTa (المترجمون العباقرة الخارقون): هذه نماذج ذكاء اصطناعي حديثة وضخمة قرأت الإنترنت بأكثر من 100 لغة. ومن المفترض أن تكون هي الأكثر ذكاءً.
4. النتائج المفاجئة
عادةً، في عالم الذكاء الاصطناعي، تفوز النماذج "العبقرية الخارقة" (نماذج Transformer مثل XLM-RoBERTa) في كل مرة. ولكن هنا، حدث شيء مثير للاهتمام:
- الفائز: نموذج LSTM (متعلم السياق) هو الذي حقق أفضل أداء، بدقة بلغت 95%.
- المركز الثاني: جاءت النماذج "العبقرية الخارقة" (XLM-RoBERTa) في المركز الثاني بدقة حوالي 73%.
- لماذا؟ يشير المؤلفون إلى أنه نظراً لأن الأردية لغة "منخفضة الموارد" (أي لا يوجد الكثير من البيانات المتاحة لتتعلم منها النماذج العبقرية الخارقة سابقاً)، فإن النماذج الأبسط والمتخصصة التي ركزت حصرياً على البيانات الطبية الأردية الجديدة قامت بعمل أفضل من تلك العمالقة التي تحاول القيام بكل شيء في آن واحد.
5. لماذا هذا مهم؟
هذه الورقة البحثية مهمة لثلاثة أسباب:
- إنها معيار مرجعي (Benchmark): فهي تقدم للجميع "اختباراً" معيارياً لمعرفة مدى جودة الذكاء الاصطناي الطبي للأردية. قبل هذا، لم يكن أحد يعرف ما إذا كان ذكاؤهم الاصطناعي جيداً أم سيئاً لأنه لم يكن هناك اختبار.
- إنها مجانية: إنهم يطلقون مجموعة البيانات هذه والنماذج المدربة للجمهور (على موقع يسمى Hugging Face). يمكن لأي شخص تحميلها والبدء في بناء أدوات صحية أفضل للمتحدثين بالأردية.
- إنها تنقذ الأرواح: من خلال مساعدة الحواسيب على فهم الملاحظات الطبية بالأردية، يمكننا في النهاية بناء أدوات تقوم تلقائياً بتلخيص سجلات المرضى، أو اقتراح العلاجات، أو رصد تفشي الأمراض بشكل أسرع في المجتمعات الناطقة بالأردية.
باخت-الاختصار:
قام المؤلفون ببناء أول "قاموس طبي" عالي الجودة للحواسيب باللغة الأردية. وقد أثبتوا أنه بالنسبة لهذه المهمة المحددة، فإن متعلم الذكاء الاصطناعي المتخصص والمركّز يتفوق في الواقع على عمالقة الذكاء الاصطناعي العامين الضخمين. وهذا يفتح الباب أمام تكنولوجيا رعاية صحية أفضل لملايين المتحدثين باللغة الأردية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.